En d'autres termes, tant qu'elle est décomposée par les fonctions d'approximation, c'est une série stationnaire, et lorsque le bruit blanc a disparu, c'est la fin du cycle. Est-ce que je vous ai bien compris ?
L'approximation est un ajustement. C'est pourquoi je propose d'obtenir une BP stationnaire non pas par approximation mais par extrapolation.
S'il vous plaît, pardonnez-moi pour mes pensées. Peut-être ma compréhension n'est-elle pas encore à la hauteur de vos attentes. Laissez-moi vous faire une suggestion pleine de tact.
Pensez-vous qu'il y a une argumentation circulaire dans le premier message ?
Quelques définitions (sous forme libre), afin qu'il n'y ait pas de débat sur les définitions :
À un niveau intuitif, nous associons la stationnarité d'une série temporelle à la condition qu'elle ait une moyenne constante et oscille autour de cette moyenne avec une variance constante.
Une série x(t) est dite strictement stationnaire (ou stationnaire au sens étroit) si la distribution de probabilité conjointe de m observations x(t1),x(t2), :,x(tm) est la même que pour m observations
En d'autres termes, les propriétés d'une série chronologique strictement stationnaire ne changent pas avec un changement d'origine.
En particulier, l'hypothèse de stationnarité stricte de la série temporelle x(t) implique que la loi de distribution de probabilité de la variable aléatoire x(t) ne dépend pas de t, de sorte que toutes ses caractéristiques numériques de base, notamment
Espérance mathématique Mx(t)=a
Dispersion Dx(t)=M(x(t)-a)2= c^2
Une série x(t) est dite faiblement stationnaire (ou stationnaire au sens large) si sa moyenne et sa variance sont indépendantes de t.
De toute évidence, toutes les séries chronologiques strictement stationnaires (ou stationnaires au sens étroit) sont également stationnaires au sens large, mais pas l'inverse.
Une série non stationnaire est une série qui se distingue d'une série stationnaire par une composante non aléatoire.
Pensez-vous qu'il y a un raisonnement circulaire dans le premier post ?
Non.
1. Nous faisons d'abord une approximation de la série de prix. Nous obtenons la formule d'approximation du prix BP : price_appr(time)
2. extrapoler price_appr(time + i)
3. Get synthetic delta(time + i) = Open[time + i] - price_appr(time + i)
4. Vérifiez delta(x) pour le bruit blanc. Si elle est bruyante, c'est une déception. S'il ne fait pas de bruit, alors continuez.
5. Approximer le synthétique et obtenir la formule : delta_appr(time)
6. Prévision : forecast(time + i + j) = price_appr(time + i + j) + delta_appr(time + i + j)
où : i et j sont des OOS des étapes précédentes. time, i et j sont des ensembles de temps non intersectés.
C'est tentant. Mais.
Nous ne pouvons vérifier le bruit qu'au niveau de l'intervalle d'extrapolation.
Cela signifie que pour chaque étape, nous devons créer une marge à l'avance sous la forme d'un intervalle auquel vérifier le bruit.
Ça ne casse pas toute l'idée ?
Oui, d'ailleurs, quelle doit être la longueur d'une rangée pour pouvoir déterminer de manière suffisamment fiable qu'elle est bruyante (non bruyante) ?
La stationnarité des résidus signifie que le modèle d'extrapolation est adéquat. Les résidus doivent être normalement distribués et avoir MO=0, pas d'autocorrélation, etc. En général, ils doivent être indépendants.
"
......
Mais un modèle qualitatif doit non seulement donner une prévision suffisamment précise mais aussi être économique et avoir des résidus indépendants ne contenant que du bruit sans composantes systématiques (en particulier, l'ACF des résidus ne doit pas avoir de périodicité). Une analyse complète des résidus est donc nécessaire. Une bonne vérification du modèle est : (a) en faisant un graphique des résidus et en examinant leurs tendances, (b) en vérifiant l'ACF des résidus (le graphique ACF montre généralement clairement la périodicité).
Analyse des résidus. Si les résidus sont systématiquement distribués (par exemple, négatifs dans la première partie de la série et approximativement nuls dans la deuxième partie) ou comprennent une composante périodique, cela indique une inadéquation du modèle. L'analyse des résidus est extrêmement importante et nécessaire dans l'analyse des séries chronologiques. La procédure d'estimation suppose que les résidus sont non corrélés et normalement distribués. "
La stationnarité des résidus signifie que le modèle d'extrapolation est adéquat. Les résidus doivent être normalement distribués et avoir MO=0, pas d'autocorrélation, etc. En général, ils doivent être indépendants.
"
......
Mais un modèle qualitatif doit non seulement donner une prévision suffisamment précise mais être économique et avoir des résidus indépendants ne contenant que du bruit sans composantes systématiques (en particulier, l'ACF des résidus ne doit pas avoir de périodicité). Une analyse complète des résidus est donc nécessaire. Les bonnes vérifications du modèle sont : (a) en faisant un graphique des résidus et en examinant leurs tendances, (b) en vérifiant l'ACF des résidus (le graphique ACF montre généralement clairement la périodicité).
Analyse des résidus. Si les résidus sont systématiquement distribués (par exemple, négatifs dans la première partie de la série et approximativement nuls dans la deuxième partie) ou comprennent une composante périodique, cela indique une inadéquation du modèle. L'analyse des résidus est extrêmement importante et nécessaire dans l'analyse des séries chronologiques. La procédure d'estimation suppose que les résidus sont non corrélés et normalement distribués. "
Fanfaronnade de nerd. Votre propre cerveau ne vous permet-il pas de vous rendre compte que tout ce qui figure dans le lien que vous avez cité est absurde ?
Lisez la suite, et je cite : "Limitations. Rappelons que le modèle ARPSS ne convient qu'aux séries qui sont stationnaires(la moyenne, la variance et l'autocorrélation sont approximativement constantes dans le temps) ; pour les séries non stationnaires, il faut prendre les différences. Il est recommandé d'avoir au moins 50 observations dans le fichier de données brutes. On suppose également que les paramètres du modèle sont constants, c'est-à-dire qu'ils ne changent pas dans le temps. "(Je ne veux pas discuter du chiffre de 50 observations, parce que même un idiot sur ce forum est clair que 50 transactions ne sont pas un résultat).
Ayons une série non stationnaire, nous avons pris les résidus - delta(x). Les résidus eux-mêmes, comme suggéré dans ce "travail" d'intello, doivent répondre aux exigences, je cite : "ne contenant que du bruit sans composantes systématiques".
Fais chier. Qu'il y ait du bruit. Le bruit lui-même ne peut être prédit d'aucune manière. Il est donc inutile de faire des approximations. Mais il a la propriété, et je cite : "Les résidus doivent être normalement distribués et avoir MO=0."
Par conséquent, au lieu du bruit, nous prenons son MO = 0.
Substituez-le dans la prévision : forecast(time + i + j) = price_appr(time + i + j) + delta_appr(time + i + j) = price_appr(time + i + j) + 0 = price_appr(time + i + j)
Ainsi, la prévision sur le bruit est la première approximation : prix_appr(x). Et la première approximation, comme je l'ai dit dans le troisième message de ce fil, est un ajustement nu. Le résultat est :
Prédiction botanique = ajustement
La version la plus primitive. Nous faisons une approximation du prix BP. Extrapolez. La différence entre la PA extrapolée et la PA réelle est également une PA, mais déjà stationnaire. Appelons cette nouvelle GR une GR synthétique.
Par exemple, la prévision au moyen de l'EMA (de second ordre, par exemple) ne donne pas de VR stationnaire des résidus. La question de l'extrapolation est donc également très difficile. Je pense que gpwr a publié un indicateur dans lequel diverses méthodes d'extrapolation linéaire ont été mises en œuvre. Voulez-vous analyser les distributions des résidus ?
Comme nous le savons, les BP stationnaires sont prévisibles s'ils ne sont pas un bruit blanc.
Je me demande si quelqu'un a déjà eu à obtenir un bruit blanc dans les transformations de prix ?
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Vous acceptez la politique du site Web et les conditions d'utilisation
Avez-vous des idées concrètes sur la manière de prendre en compte la non-stationnarité dans le testeur ?
Ce n'est donc pas très compliqué. Cela demande un peu de travail, mais dans l'ensemble, le problème peut être résolu. Mais pour une raison quelconque, on n'en parle pas.
Comme vous le savez, les TA stationnaires sont prévisibles s'ils ne sont pas un bruit blanc.
Il y a donc une demande urgente pour convertir les BP de prix non stationnaires en BP stationnaires, mais avec la possibilité d'une conversion inverse.
La variante la plus primitive. Approximativement le prix VR. Extrapolez. La différence entre la TA extrapolée et la TA réelle est également une TA, mais une TA stationnaire. Appelons cette nouvelle BP une BP synthétique.
Extrapolation de la BP synthétique. Ajoutez à cela l'extrapolation du prix VR. Si le BP synthétique n'est pas un bruit blanc, la sortie est le résultat de la somme des deux extrapolations.